刘 杰，王昌达，武秋敏，胡兵兵

（西安理工大学 印刷包装与数字媒体学院，西安710048）

滚动轴承作为重要部件被广泛应用于几乎所有类型的旋转机械中。在工业生产的过程中，高速旋转的机械设备容易造成滚动轴承的故障，给企业带来巨大的经济损失[1-2]。为减少轴承故障带来的经济损失，研究一种有效的轴承故障诊断方法是极为必要的。传统故障诊断方法诊断滚动轴承故障的过程主要分为故障特征的提取和分类[3-4]，这些过程都是通过人工提取特征实现，结果取决于信号处理技术和诊断专家的先验知识。

随着人工智能技术的发展，机器学习以及深度学习技术已逐渐应用于故障诊断领域，这些故障诊断方法不再依赖人工提取信号特征，大大减少了故障诊断的时间以及对信号处理技术的依赖。国内外学者提出了人工神经网络(artificial neural network,ANN)[5]、支持向量机(support vector machine，SVM)[6]等故障诊断方法。但是ANN方法训练时间过长，收敛速度慢，且易发生过拟合现象[7-8]；SVM可以避免神经网络结构选择和局部极小值点问题，但是对非线性问题没有通用的解决方案，并且上述方法均属于浅层机器学习方法，学习能力有限，诊断准确率达到一定高度时很难再有大的提高。造成这一问题的关键因素便是样本数据的大小以及样本的准确性和完备程度。

生成对抗网路(Generative Adversarial Networks，GAN)[9]是一种新的人工智能技术，它独特的对抗思想使其在众多的生成器模型中脱颖而出，在图片生成、数据增强等领域都有广泛的应用。……